编辑推荐：
为解决传统波长调制光谱（WMS）传感器校准繁琐、检测耗时等问题，研究人员开展基于机器学习（ML）回归算法应用于 WMS 气体传感器的研究。结果显示，定制卷积神经网络（CNN）效果最佳，能快速准确测定气体浓度。这提升了检测效率和精度。
在气体检测的领域中，传统的测量方法就像是老旧的工具，逐渐显露出诸多弊端。可调谐激光吸收光谱（TLAS）中的波长调制光谱（WMS）技术，虽在检测微弱吸收信号方面有优势，但常规的 WMS 传感器校准过程复杂又昂贵，需要使用不同浓度、压力和温度的标准混合气体样本进行校准。而且，当气体参数未知或难以确定时，比如在动态气流、恶劣环境以及燃烧过程中，校准后的传感器精度会大打折扣。另外，在确定气体参数时，基于迭代最小二乘拟合的方法计算成本高，测定时间长，严重限制了传感器在需要快速测量气体浓度动态变化场景中的应用。
面对这些难题，来自国外的研究人员开启了探索之旅。他们致力于研究将机器学习（ML）回归算法应用于基于 WMS 的气体激光传感器，期望能找到突破困境的方法。最终，他们取得了令人瞩目的成果，成功构建了基于机器学习的免校准波长调制光谱气体传感器系统，相关研究成果发表在《Engineering Applications of Artificial Intelligence》上。这一成果意义非凡，不仅实现了免校准测量，保证了测量精度，还大幅缩短了传感器响应时间，为气体检测领域带来了新的曙光。
研究人员在开展研究时，主要运用了以下关键技术方法：首先，采用监督学习模型进行回归任务，用于基于 WMS 谐波信号测量气体参数。其次，通过生成包含不同条件下 WMS 谐波信号的综合数据库，为模型训练提供数据支持。再者，对多种预训练的机器学习模型进行测试，如 BR、KNN、RF、SVM、SNN 等，对比其性能表现。最后，重点测试定制卷积神经网络（CNN），评估其在气体浓度测量中的准确性和响应时间等指标 。
研究结果
- 预训练模型性能：研究人员对 BR、KNN、RF、SVM、SNN 等模型在R2f/1f信号数据库上进行预训练。结果显示，利用 ML 模型预测甲烷浓度的时间可少于 0.2 秒（KNN），相比以往的迭代拟合方法，这是巨大的优势。通过对比训练和验证数据集上的甲烷浓度回归结果以及平均响应时间，为后续选择更优模型提供了参考。
- 定制 CNN 模型优势：研究测试了多个预选择的机器学习模型，其中定制卷积神经网络（CNN）表现最为出色。在验证集上，其平均绝对百分比误差（MAPE）小于 1%；在测试集上，MAPE 为 9.7%。该模型以 7.8% 扩展不确定度的参考气体混合物收集的实验信号为基础进行训练，能够实现高精度的气体浓度测定。这表明 CNN 模型在处理基于激光辐射吸收变化分析的浓度测量任务方面，具有很强的能力。
- 系统性能提升：研究构建了 LWIR 8μm 甲烷气体传感器系统，用于评估所提出的方法。该方法通过处理多个归一化的R2f/1f信号样本，解决了重叠吸收光谱的复杂性和基于谐波幅度校准方法的局限性问题。最终，深度学习（DL）方法能够基于吸收信号分析实现准确且免校准的气体浓度测定，检测重复性达到吸收系数5.6×10?61/cm，检测时间从 37 秒缩短至 0.06 秒，极大地提升了传感器的性能。
研究结论与讨论
这项研究成功地将机器学习回归算法应用于 WMS 气体传感器，解决了传统传感器校准繁琐和检测耗时的问题。定制的 CNN 模型在气体浓度测量中展现出高准确性和快速响应的优势，实现了免校准测量，为气体检测技术带来了新的突破。其意义在于，不仅提高了气体检测的效率和精度，而且为相关领域，如大气测量、工业气体监测等，提供了更可靠的检测手段。此外，研究中提出的生成综合数据库的方法以及对多种模型的评估方式，也为后续类似研究提供了重要的参考和借鉴。未来，有望在此基础上进一步优化模型，拓展应用场景，推动气体检测技术向更高水平发展。
